文档介绍：基于多传感器融合新技术研究
摘要:多传感器信息融合,是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。而且信息融合技术已经广泛应用于电子信息学、自动化控制等领域。单一传感器只能获得环境或被测对象的部分信息段,而多传感器信息经过融合后能够完善地、准确地反映环境的特征。
关键词:多传感器;信息融合;综合处理
1引言
随着传感器技术、数据处理技术、计算机网络通讯技术、人工智能技术以及并行计算的软硬件技术的发展,多传感器信息融合技术已受到了广泛关注。我国从20世纪90年代也开始了多传感器信息融合技术的研究和开发工作,并在工程上开展了多传感器识别、定位等同类信息融合的应用系统的开发。而且随着科学技术的进步,多传感器信息融合至今已形成和发展成为一门信息综合处理的专门技术。
2 多传感器信息融合基本原理
多传感器信息融合的基本原理就像人脑综合处理信息的过程一样,将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来,产生对观测环境的一致性解释和描述。这个过程中充分地利用多个传感器资源,通过对各种传感器及其观测信息进行合理支配与使用。而信息融合的目标则是基于各传感器的分离观测信息,通过对信息的优化组合导出更多有效信息。最终目的是利用多个传感器共同或联合操作的优势,来提高整个传感器系统的有效性。
3通用体系结构
在信息融合处理过程中,根据对数据处理方法的不同,信息融合系统的体系结构有三种:分布式、集中式和混合式。
(1)分布式:先对每个传感器对获得的原始数据进行局部处理,然后将结果送入融合中心进行融合来获得最终的决策。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好,但跟踪的精度却远没有集中式高。
(2)集中式:集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理,可以实现实时融合,其数据处理的精度高,算法灵活,缺点是对处理器的要求高,可靠性较低,数据量大,故难于实现。
(3)混合式:大多情况是把上述二者进行不同的组合,形成一种混合式结构。它保留了上述两类系统的优点,但在通信和计算上要付出较昂贵的代价。但是,此类系统也有上述两类系统难以比拟的优势,在实际场合往往采用此类结构。
4 多传感器信息融合的几种方法
卡尔曼滤波(KF)
KF分为分散卡尔曼滤波(DKF)和扩展卡尔曼滤波(EKF)。DKF可实现多传感器数据融合完全分散化,其优点是,单个传感器节点失效不会导致整个系统失效。而EKF的优点是,可有效克服数据处理不稳定性或系统模型线性程度的误差对融合过程产生的影响。KF用于测量模型的统计特性,递推决定统计意义下最优融合数据合计。如果系统具有线性动力学模型,且系统噪声和传感器噪声可用高斯分布的白噪声模型来表示,则KF为融合数据提供惟一的统计意义下的最优估计,它的递推特性使系统数据处理不需大量的存储和计算。
人工神经网络法
这种方法通过模仿人脑的结构和工作原理,设计和建立相应的机器和模型并完成一定的智能任务。神经网络根据当前系统所接收到的样本的相似性,确定分类标准。这种确定方法主要表现在网络权值分布上,同时可采用神经网络特定的学习算法来获取知识,得到不确定性推理机制。
D-S推理
假设F为所有可能证据所构成的有限集,Ai为集合F中的某个元素(证据)。引入信任函数B(f)